L’apprentissage automatique révèle des secrets cachés dans un catalogue de la Terre entière
Le programme d’observation de la Terre Copernicus de l’UE rassemble des données continues, automatisées et complètes sur l’état de santé de la planète provenant d’un large éventail de sources, y compris des images satellitaires, ainsi que de capteurs terrestres et aériens. Bien que les données soient incroyablement précieuses pour toutes sortes d’activités, de la réponse aux catastrophes à la planification environnementale, leur volume considérable signifie qu’il est impossible pour une seule personne de les examiner.
Apprentissage automatique
L’intelligence artificielle (IA) permet d’automatiser une partie des analyses, en passant au crible des Eo (pétaoctets) de données pour identifier des informations pertinentes et importantes. Le projet PerceptiveSentinel, financé par l’UE, a mis au point un service intermédiaire d’observation de la Terre afin de valoriser les données Copernicus pour les utilisateurs situés en aval. «L’apprentissage automatique est un domaine bien établi; cependant, ces outils ne sont pas adaptés à la complexité des données d’observation de la Terre», explique Grega Milcinski, coordinateur du projet. «Les technologies de vision par ordinateur sont optimisées pour identifier les visages humains, et les chats sur les médias sociaux, mais pas les données multispectrales et multitemporelles des satellites.» En intégrant des flux de traitement des données et des outils bien connus tels que TensorFlow de Google et LightGBM de Microsoft, Anze Zupanc, responsable scientifique, et ses collègues ont créé eo-learn. Ce logiciel open-source combine l’apprentissage automatique avec l’observation de la Terre et a été spécialement conçu pour le volume et la complexité des données Copernicus.
Secteur commercial
Avant même la fin du projet, la société néerlandaise de navigation par satellite TomTom a adopté une partie des travaux et les a utilisés dans ses propres recherches internes. Selon Grega Milcinski, ce logiciel leur a permis: «de traiter de façon autonome quelques milliards de kilomètres carrés de données satellitaires afin de créer un produit global pour leurs utilisateurs.» En fait, PerceptiveSentinel génère déjà des revenus basés sur l’utilisation du logiciel eo-learn, avec des recettes qui devraient dépasser un million d’euros pour l’exercice financier se terminant en 2021. Les clients principaux sont les experts en données, tant dans le secteur de la recherche que dans le secteur commercial. Le projet a été téléchargé plus de 26 000 fois, et plus de 182 développeurs ont créé leur propre branche de eo-learn. «Nous ne connaissons évidemment pas tous les utilisateurs, car le logiciel est disponible en open-source, donc n’importe qui peut se l’approprier et l’utiliser comme bon lui semble, sans nous en informer», explique Grega Milcinski. «Il y a aussi beaucoup d’utilisateurs que nous ne pouvons pas nommer pour des raisons de confidentialité.»
Une coopération étroite
PerceptiveSentinel a été soutenu par le programme Horizon 2020 et coordonné par le Laboratoire Sinergise pour les systèmes d’information géographique en Slovénie. «Le financement nous a aidés à y consacrer les meilleures ressources disponibles et à persévérer», ajoute Grega Milcinski. «Les partenaires ont également été essentiels, car ils ont apporté des contributions allant au-delà de notre expertise. Ce type de coopération étroite n’aurait probablement pas eu lieu sans le projet.» Il affirme que le financement public a également motivé l’équipe à lancer le logiciel en open-source, avec beaucoup de succès. Cela a permis de créer une communauté autour du logiciel eo-learn, laquelle continue à se développer et dont beaucoup de membres deviennent des clients payants. Les travaux relatifs à eo-learn se poursuivent, tant par l’équipe PerceptiveSentinel que par les milliers d’utilisateurs tiers qui contribuent au projet open-source. «Nous sommes persuadés que les résultats auront un impact pendant de nombreuses années», conclut Grega Milcinski.
Mots‑clés
PerceptiveSentinel, Perceptive, Sentinel, Copernicus, Terre, observation, machine, apprentissage, eo-learn, satellite
